library(tidyverse)
library(sf)
library(exactextractr)
library(patchwork)
library(ggtext)
library(units)
library(gt)
set.seed(123)
distrito <- read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% st_set_crs("epsg:31983")
É importante destacar que os resultados disponíveis são parciais do censo, com dados atualizados até o momento da divulgação. No entanto, mesmo parciais, esses dados podem ser extremamente úteis para suas análises.
Um ponto crucial a considerar é que o nível mínimo de observação georreferenciada nos microdados do censo são os setores censitários. Os setores censitários são unidades geográficas definidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para coleta e tabulação de dados censitários. Eles são delimitados de forma a garantir uma cobertura completa e homogênea de todo o território nacional, facilitando a análise comparativa entre diferentes áreas geográficas. A delimitação geográfica do setor também considera questões logísticas para o entrevistador conseguir entrevistar a todos.
# Read dados do censo 2022
censo <- read_sf("dados/censo/SP_Malha_Preliminar_2022.shp") %>%
filter(CD_MUN == "3550308") %>%
st_transform("epsg:31983") %>% # Sistema de coordenadas do geosampa
select(id_setor_censitario = CD_SETOR, v0001:v0007) %>%
mutate(area_setor = st_area(geometry))
| id_setor_censitario | v0001 | v0002 | v0003 | v0004 | v0005 | v0006 | v0007 | geometry | area_setor |
|---|---|---|---|---|---|---|---|---|---|
| 355030865000162P | 387 | 175 | 175 | 0 | 2.464968 | 15.286624 | 157 | MULTIPOLYGON (((317171.1 73… | 16922.673 [m^2] |
| 355030865000212P | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | 0 | MULTIPOLYGON (((315687 7390… | 140800.066 [m^2] |
| 355030894000058P | 454 | 200 | 200 | 0 | 2.624277 | 13.872832 | 173 | MULTIPOLYGON (((322916.4 73… | 50586.575 [m^2] |
| 355030887000240P | 275 | 110 | 110 | 0 | 2.806122 | 0.000000 | 98 | MULTIPOLYGON (((349650 7398… | 17561.293 [m^2] |
| 355030816000121P | 504 | 199 | 199 | 0 | 2.815642 | 6.703911 | 179 | MULTIPOLYGON (((327500.2 73… | 8505.213 [m^2] |
| 355030811000366P | 354 | 141 | 141 | 0 | 2.702290 | 0.763359 | 131 | MULTIPOLYGON (((326485.3 74… | 20262.617 [m^2] |
| 355030890000401P | 364 | 154 | 152 | 2 | 2.704545 | 3.030303 | 132 | MULTIPOLYGON (((333492.1 73… | 38371.871 [m^2] |
| 355030817000257P | 573 | 223 | 223 | 0 | 2.715640 | 0.473934 | 211 | MULTIPOLYGON (((319169.9 73… | 25092.100 [m^2] |
| 355030839000186P | 419 | 189 | 189 | 0 | 2.554878 | 12.804878 | 164 | MULTIPOLYGON (((338525.8 74… | 34774.171 [m^2] |
| 355030821000138P | 497 | 289 | 289 | 0 | 2.142241 | 27.155172 | 232 | MULTIPOLYGON (((331360 7399… | 92594.456 [m^2] |
gg <- ggplot() +
geom_sf(data = censo %>%
mutate(densidade = v0001/area_setor,
decil = ntile(densidade, 10)),
aes(fill = factor(decil)), color = NA) +
scale_fill_viridis_d() +
labs(fill = "Decil de densidade") +
theme_void()
ggsave("tex/imagens/mapa.png", gg, width = 20, height = 20, dpi = 400)